多伦多工业大学和帝国理工大学的研究人员开发了一种技术，可以在培训医疗算法的同时保护患者的个人数据。
该技术现在首次被用于在儿童x光图像中识别肺炎的算法中。研究人员发现，与现有算法相比，他们的新隐私保护技术在诊断各种儿童肺炎方面显示出相当或更好的准确性。
人工智能(AI)算法可以支持临床医生诊断癌症和脓毒症等疾病。这些算法的有效性取决于用于训练它们的医疗数据的数量和质量，而患者数据通常在诊所之间共享，以最大化数据池。
为了保护这些数据，这些材料通常经过匿名和假名处理，但研究人员表示，事实证明，在保护患者的健康数据方面，这些防护措施往往不够充分。
为了解决这个问题，慕尼黑工业大学(TUM)、伦敦帝国理工学院和非营利组织OpenMined开发了一种独特的基于人工智能的放射图像数据诊断流程组合，以保护数据隐私。
他们的论文发表在 自然机器智能，该团队展示了一个成功的应用:一种深度学习算法，有助于对儿童x光片中的肺炎情况进行分类。
该研究的合著者、帝国理工学院计算系和慕尼黑工业大学的丹尼尔·吕科特教授表示:“保障医疗数据的隐私和安全，对于大规模机器学习模型的开发和部署至关重要。”
隐私保护
保护病人病历的一种方法是将病历保存在收集点，而不是与其他诊所共享。目前，诊所通过将数据库副本发送到正在训练算法的诊所来共享患者数据。
在这项研究中，研究人员使用了联邦学习，其中深度学习算法是共享的，而不是数据本身。这些模型在不同的医院使用当地数据进行训练，然后返回给作者——因此，数据所有者不必共享他们的数据，并保留完全的控制权。
多伦多工业大学和帝国理工大学计算机系的第一作者乔治斯·凯西斯说:“为了保证患者数据的安全，这些数据永远不应该离开收集它们的诊所。”
为了防止识别出训练该算法的机构，该团队应用了另一种技术:安全聚合。他们将这些算法以加密的形式组合在一起，只有在接受了所有参与机构的数据训练后才解密。
为了防止个人患者数据从数据记录中被过滤出来，研究人员在训练算法时使用了第三种技术，以便从数据记录中提取统计相关性，而不是个人的贡献。
Rueckert教授说:“我们的方法已经应用于其他研究，但我们还没有看到使用真实临床数据的大规模研究。”通过有针对性的技术开发以及信息学和放射学专家之间的合作，我们已经成功地培训了模型，在满足数据保护和隐私高标准的同时提供精确的结果。”
为数字医学铺平了道路
正如该团队在2020年发表的前一篇论文中所示，结合最新的数据保护流程也将促进机构之间的合作。他们保护隐私的人工智能方法可以克服道德、法律和政治障碍，从而为人工智能在医疗保健领域的广泛应用铺平道路，这对罕见疾病的研究可能非常重要。
科学家们相信，通过保护病人的隐私，他们的技术可以为数字医学的发展做出重要贡献。Georgios补充道:“为了训练好的人工智能算法，我们需要好的数据，而我们只能在适当保护患者隐私的情况下获得这些数据。我们的研究结果表明，有了数据保护，我们为知识进步所能做的事情，比许多人想象的要多得多。”
Georgios Kaissis等人于2021年5月24日发表了“在多机构医学成像上保持端到端隐私的深度学习” 自然机器智能．
